使用OpenCV實現答題卡選擇題掃描功能
大家在考試的時候都填圖過答題卡，使用答題卡可以使用計算機來自動判斷選擇題答案正確與否，加快閱卷速度。今天我將使用OpenCV來讓計算機自動評閱答題卡。
我們使用的答題卡如下所示，總共有5道題目，每個題目有ABCDE5個選項。
要實現OpenCV來掃描答題卡答案，我們需要分以下6個步驟完成：
檢測圖片中的答題卡位置。
使用透視變換將答題卡變換到正常視角。
檢測到答題卡中各個選項的位置。
將答題卡中的題目排序。
檢測每題標記塗黑的答案。
判斷答案是否正確。
檢測圖片中的答題卡位置
from
imutils。perspective
import
four_point_transform
from
imutils
import
contours
import
numpy
as
np
import
argparse
import
imutils
import
cv2
# construct the argument parse and parse the arguments
ap
=
argparse
。
ArgumentParser
（）
ap
。
add_argument
（
“-i”
，
“——image”
，
required
=
True
，
help
=
“path to the input image”
）
args
=
vars
（
ap
。
parse_args
（））
# define the answer key which maps the question number
# to the correct answer
ANSWER_KEY
=
{
0
：
1
，
1
：
4
，
2
：
0
，
3
：
3
，
4
：
1
}
# load the image， convert it to grayscale， blur it
# slightly， then find edges
image
=
cv2
。
imread
（
args
［
“image”
］）
gray
=
cv2
。
cvtColor
（
image
，
cv2
。
COLOR_BGR2GRAY
）
blurred
=
cv2
。
GaussianBlur
（
gray
，
（
5
，
5
），
0
）
edged
=
cv2
。
Canny
（
blurred
，
75
，
200
）
cv2
。
imshow
（
“edged”
，
edged
）
cv2
。
waitKey
（
0
）
先匯入必要的包，ANSWER_KEY為每個題目正確的答案，先將圖片轉換為灰度圖，然後高斯模糊，再邊緣檢測後的結果如下：
# find contours in the edge map， then initialize
# the contour that corresponds to the document
cnts
=
cv2
。
findContours
（
edged
。
copy
（），
cv2
。
RETR_EXTERNAL
，
cv2
。
CHAIN_APPROX_SIMPLE
）
cnts
=
imutils
。
grab_contours
（
cnts
）
docCnt
=
None
# ensure that at least one contour was found
if
len
（
cnts
）
>
0
：
# sort the contours according to their size in
# descending order
cnts
=
sorted
（
cnts
，
key
=
cv2
。
contourArea
，
reverse
=
True
）
# loop over the sorted contours
for
c
in
cnts
：
# approximate the contour
peri
=
cv2
。
arcLength
（
c
，
True
）
approx
=
cv2
。
approxPolyDP
（
c
，
0。02
*
peri
，
True
）
# if our approximated contour has four points，
# then we can assume we have found the paper
if
len
（
approx
）
==
4
：
docCnt
=
approx
break
對邊緣檢測後的圖片提取輪廓，按面積從大到小排序，對提取的輪廓使用多邊形近似，如果近似多邊形為四邊形，則說明檢測到答題卡。結果如下：
使用透視變換將答題卡變換到正常視角
# apply a four point perspective transform to both the
# original image and grayscale image to obtain a top-down
# birds eye view of the paper
paper
=
four_point_transform
（
image
，
docCnt
。
reshape
（
4
，
2
））
warped
=
four_point_transform
（
gray
，
docCnt
。
reshape
（
4
，
2
））
結果如下，可以看到答題卡被轉換到了俯視視角
檢測到答題卡中各個選項的位置
# apply Otsu‘s thresholding method to binarize the warped
# piece of paper
thresh
=
cv2
。
threshold
（
warped
，
0
，
255
，
cv2
。
THRESH_BINARY_INV
|
cv2
。
THRESH_OTSU
）［
1
］
先用 Otsu二值化方法將透視變換後的圖片二值化，結果如下：
# find contours in the thresholded image， then initialize
# the list of contours that correspond to questions
cnts
=
cv2
。
findContours
（
thresh
。
copy
（），
cv2
。
RETR_EXTERNAL
，
cv2
。
CHAIN_APPROX_SIMPLE
）
cnts
=
imutils
。
grab_contours
（
cnts
）
questionCnts
=
［］
# loop over the contours
for
c
in
cnts
：
# compute the bounding box of the contour， then use the
# bounding box to derive the aspect ratio
（
x
，
y
，
w
，
h
）
=
cv2
。
boundingRect
（
c
）
ar
=
w
/
float
（
h
）
# in order to label the contour as a question， region
# should be sufficiently wide， sufficiently tall， and
# have an aspect ratio approximately equal to 1
if
w
>=
20
and
h
>=
20
and
ar
>=
0。9
and
ar
<=
1。1
：
questionCnts
。
append
（
c
）
然後我們可以對二值化後的影象thresh 再次進行輪廓提取，對每個輪廓求取最小外接矩形，若外接矩形滿足一定條件則我們認為該輪廓位置為選項。這樣我們就得到了答題卡中各個選項的輪廓，結果如下：
將答題卡中的題目排序
# sort the question contours top-to-bottom， then initialize
# the total number of correct answers
questionCnts
=
contours
。
sort_contours
（
questionCnts
，
method
=
“top-to-bottom”
）［
0
］
correct
=
0
檢測每題標記塗黑的答案
# each question has 5 possible answers， to loop over the
# question in batches of 5
for
（
q
，
i
）
in
enumerate
（
np
。
arange
（
0
，
len
（
questionCnts
），
5
））：
# sort the contours for the current question from
# left to right， then initialize the index of the
# bubbled answer
cnts
=
contours
。
sort_contours
（
questionCnts
［
i
：
i
+
5
］）［
0
］
bubbled
=
None
# loop over the sorted contours
for
（
j
，
c
）
in
enumerate
（
cnts
）：
# construct a mask that reveals only the current
# “bubble” for the question
mask
=
np
。
zeros
（
thresh
。
shape
，
dtype
=
“uint8”
）
cv2
。
drawContours
（
mask
，
［
c
］，
-
1
，
255
，
-
1
）
# apply the mask to the thresholded image， then
# count the number of non-zero pixels in the
# bubble area
mask
=
cv2
。
bitwise_and
（
thresh
，
thresh
，
mask
=
mask
）
total
=
cv2
。
countNonZero
（
mask
）
# if the current total has a larger number of total
# non-zero pixels， then we are examining the currently
# bubbled-in answer
if
bubbled
is
None
or
total
>
bubbled
［
0
］：
bubbled
=
（
total
，
j
）
透過統計二值影象中每個選項輪廓的非0畫素個數，非0畫素個數最多的選項為標記選項。
判斷答案是否正確並計算分數
# initialize the contour color and the index of the
# *correct* answer
color
=
（
0
，
0
，
255
）
k
=
ANSWER_KEY
［
q
］
# check to see if the bubbled answer is correct
if
k
==
bubbled
［
1
］：
color
=
（
0
，
255
，
0
）
correct
+=
1
# draw the outline of the correct answer on the test
cv2
。
drawContours
（
paper
，
［
cnts
［
k
］］，
-
1
，
color
，
3
）
# grab the test taker
score
=
（
correct
/
5。0
）
*
100
（
“［INFO］ score：
{：。2f}
%”
。
format
（
score
））
cv2
。
putText
（
paper
，
“
{：。2f}
%”
。
format
（
score
），
（
10
，
30
），
cv2
。
FONT_HERSHEY_SIMPLEX
，
0。9
，
（
0
，
0
，
255
），
2
）
cv2
。
imshow
（
“Original”
，
image
）
cv2
。
imshow
（
“Exam”
，
paper
）
cv2
。
waitKey
（
0
）
正確選項用綠色標記，錯誤選項用紅色標記，結果如下。
完整程式碼
# USAGE
# python test_grader。py ——image images/test_01。png
# import the necessary packages
from
imutils。perspective
import
four_point_transform
from
imutils
import
contours
import
numpy
as
np
import
argparse
import
imutils
import
cv2
# construct the argument parse and parse the arguments
ap
=
argparse
。
ArgumentParser
（）
ap
。
add_argument
（
“-i”
，
“——image”
，
required
=
True
，
help
=
“path to the input image”
）
args
=
vars
（
ap
。
parse_args
（））
# define the answer key which maps the question number
# to the correct answer
ANSWER_KEY
=
{
0
：
1
，
1
：
4
，
2
：
0
，
3
：
3
，
4
：
1
}
# load the image， convert it to grayscale， blur it
# slightly， then find edges
image
=
cv2
。
imread
（
args
［
“image”
］）
gray
=
cv2
。
cvtColor
（
image
，
cv2
。
COLOR_BGR2GRAY
）
blurred
=
cv2
。
GaussianBlur
（
gray
，
（
5
，
5
），
0
）
edged
=
cv2
。
Canny
（
blurred
，
75
，
200
）
# find contours in the edge map， then initialize
# the contour that corresponds to the document
cnts
=
cv2
。
findContours
（
edged
。
copy
（），
cv2
。
RETR_EXTERNAL
，
cv2
。
CHAIN_APPROX_SIMPLE
）
cnts
=
imutils
。
grab_contours
（
cnts
）
docCnt
=
None
# ensure that at least one contour was found
if
len
（
cnts
）
>
0
：
# sort the contours according to their size in
# descending order
cnts
=
sorted
（
cnts
，
key
=
cv2
。
contourArea
，
reverse
=
True
）
# loop over the sorted contours
for
c
in
cnts
：
# approximate the contour
peri
=
cv2
。
arcLength
（
c
，
True
）
approx
=
cv2
。
approxPolyDP
（
c
，
0。02
*
peri
，
True
）
# if our approximated contour has four points，
# then we can assume we have found the paper
if
len
（
approx
）
==
4
：
docCnt
=
approx
break
# cv2。drawContours（image，［docCnt］，0，（0，255，0），3）
# cv2。imshow（“contour”，image）
# cv2。waitKey（0）
# apply a four point perspective transform to both the
# original image and grayscale image to obtain a top-down
# birds eye view of the paper
paper
=
four_point_transform
（
image
，
docCnt
。
reshape
（
4
，
2
））
warped
=
four_point_transform
（
gray
，
docCnt
。
reshape
（
4
，
2
））
# cv2。imshow（“paper”，paper）
# cv2。imshow（“warped”，warped）
# cv2。waitKey（0）
# apply Otsu’s thresholding method to binarize the warped
# piece of paper
thresh
=
cv2
。
threshold
（
warped
，
0
，
255
，
cv2
。
THRESH_BINARY_INV
|
cv2
。
THRESH_OTSU
）［
1
］
# cv2。imshow（“thresh”，thresh）
# cv2。waitKey（0）
# find contours in the thresholded image， then initialize
# the list of contours that correspond to questions
cnts
=
cv2
。
findContours
（
thresh
。
copy
（），
cv2
。
RETR_EXTERNAL
，
cv2
。
CHAIN_APPROX_SIMPLE
）
cnts
=
imutils
。
grab_contours
（
cnts
）
questionCnts
=
［］
# loop over the contours
for
c
in
cnts
：
# compute the bounding box of the contour， then use the
# bounding box to derive the aspect ratio
（
x
，
y
，
w
，
h
）
=
cv2
。
boundingRect
（
c
）
ar
=
w
/
float
（
h
）
# in order to label the contour as a question， region
# should be sufficiently wide， sufficiently tall， and
# have an aspect ratio approximately equal to 1
if
w
>=
20
and
h
>=
20
and
ar
>=
0。9
and
ar
<=
1。1
：
questionCnts
。
append
（
c
）
# cv2。drawContours（paper，questionCnts，-1，（0，255，255），2）
# cv2。imshow（“questionCnts”，paper）
# cv2。waitKey（0）
# sort the question contours top-to-bottom， then initialize
# the total number of correct answers
questionCnts
=
contours
。
sort_contours
（
questionCnts
，
method
=
“top-to-bottom”
）［
0
］
correct
=
0
# each question has 5 possible answers， to loop over the
# question in batches of 5
for
（
q
，
i
）
in
enumerate
（
np
。
arange
（
0
，
len
（
questionCnts
），
5
））：
# sort the contours for the current question from
# left to right， then initialize the index of the
# bubbled answer
cnts
=
contours
。
sort_contours
（
questionCnts
［
i
：
i
+
5
］）［
0
］
bubbled
=
None
# loop over the sorted contours
for
（
j
，
c
）
in
enumerate
（
cnts
）：
# construct a mask that reveals only the current
# “bubble” for the question
mask
=
np
。
zeros
（
thresh
。
shape
，
dtype
=
“uint8”
）
cv2
。
drawContours
（
mask
，
［
c
］，
-
1
，
255
，
-
1
）
# apply the mask to the thresholded image， then
# count the number of non-zero pixels in the
# bubble area
mask
=
cv2
。
bitwise_and
（
thresh
，
thresh
，
mask
=
mask
）
total
=
cv2
。
countNonZero
（
mask
）
# if the current total has a larger number of total
# non-zero pixels， then we are examining the currently
# bubbled-in answer
if
bubbled
is
None
or
total
>
bubbled
［
0
］：
bubbled
=
（
total
，
j
）
# initialize the contour color and the index of the
# *correct* answer
color
=
（
0
，
0
，
255
）
k
=
ANSWER_KEY
［
q
］
# check to see if the bubbled answer is correct
if
k
==
bubbled
［
1
］：
color
=
（
0
，
255
，
0
）
correct
+=
1
# draw the outline of the correct answer on the test
cv2
。
drawContours
（
paper
，
［
cnts
［
k
］］，
-
1
，
color
，
3
）
# grab the test taker
score
=
（
correct
/
5。0
）
*
100
（
“［INFO］ score：
{：。2f}
%”
。
format
（
score
））
cv2
。
putText
（
paper
，
“
{：。2f}
%”
。
format
（
score
），
（
10
，
30
），
cv2
。
FONT_HERSHEY_SIMPLEX
，
0。9
，
（
0
，
0
，
255
），
2
）
cv2
。
imshow
（
“Original”
，
image
）
cv2
。
imshow
（
“Exam”
，
paper
）
cv2
。
waitKey
（
0
）
總結
這是單選答題卡的情況，對於多選答題卡和空白選項答題卡可以在
檢測每題標記塗黑的答案
步驟增加一個閾值，非0畫素個數超過所設閾值就認為是標記選項。
參考
上一篇:吃蘋果真的有醒酒的功效嗎？
下一篇：如何裝做很懂乃木坂46？
